。
[0053] 在本发明中，设好友请求者为A，我们需要为请求者A找到一个合适的用户B作为 其推荐好友，使得A和B满足下面的=个条件：
[0054] (1) A和B的关系尽量亲密，则A从B处取得有用信息的可能性更大，运里我们使用 私密度来衡量A和B之间的亲密程度。
[0055] 私密度是描述用户和好友之间关系远近亲疏程度的，私密度越高，说明用户对好 友关系越近，则从该好友处获取信息的可靠性越大，同时，好友推荐的网页、发表过的文章、 对问题的回答被关注采纳的机会也越大。因此那些私密度高的人，应该在关系推荐中处于 较靠前的位置。
[0056] (2)目标用户B的公知度应尽可能高，则A从B处获取的信息的可信程度就越高。
[0057] 公知度是表示一个人被公众知道、了解的程度，是社会影响的广度和深度，是评价 名气大小的客观尺度。一个人的公知度与他的个人经历有着密切的关系，例如一个在计算 机网络领域有过十几年经验并负责过多项大型网络架构设计的专家的公知度会明显大于 一个初设此领域没什么经验的人。一个人的公知度越高，他推荐的网页、发表过的blog、回 答问题的权威性就越高，应该在关系推荐中处于更高的优先级。
[005引 做从A到B经历的中间人应尽可能少，因为每经过一个介绍人，私密度就会衰减 一次，B帮助A的意愿也会逐渐减小。
[0059] 本发明提供了一种基于私密度和公知度的社交网络关系推荐方法，如图1所示， 包括W下步骤： W60] Sl、获取好友请求者A的直接好友集合Fa=扣1，也...，IU;
[0061] 运里A的直接好友即为A的私密度维度值为1的一度好友。
[0062] S2、初始化建立最终好友请求者A的推荐好友集合FRa;
[0063] 推荐好友集合FRa初始化为空集，最终好友请求者A的推荐好友都会存放于FRA 中。 W64] 由于A的直接好友集合Fa中的用户已经是A的好友，没有必要再对A进行推荐， 因此FRa中不会存放FA中的用户，即邸Jn。= 0。 阳0化]S3、设置好友推荐阔值M; 阳066] S4、计算Fa中每个直接好友与A的关系权值；
[0067] 对每一个A的直接好友UiGFA，根据公式（1)计算Ui与A的关系权值Ww
[0068] WjUi. = 巧十（1 - P)巧J (1) W例式中表示A与Ui的私密度，取值范围为[0,U。
[0070] 运里用变量I来描述用户之间的私密度，Iab即表示用户A和B的私密度，其值越 接近0表示A与B的私密度越低，反之则私密度越高。如果A和B完全不认识，则Iab= 0， 当且仅当A与B完全相同时Iab= 1。另外，由于可能存在A认识B而B不认识A的情况， 所WlAe声leA。在初始时，Iab由A设定，W后由系统自动根据A、B之间的活动和操作进行 更新。 阳071] Ra表示A的直接好友中的最大公知度，取值范围为[0, 1]。
[0072] 设变量Ca用表示用户A在设定领域的公知度，例如数学领域、物理学领域等，取值 范围为[0，1]。该值越接近0表示用户的公知度越低，反之则用户公知度越高。Ca的初始 值由系统根据该用户A的自然属性由后台管理员或审查人员进行设定，W后由系统根据用 户的活动和操作进行更新。由于Fa=扣1，也...，IU，定义馬=max{C。',，馬，…，Cu,,}，则Ra代表了A的直接好友中最大公知度。
[007引P表示在Ww,中所占的重要性比例，取值范围为[0，U。P值越小说明对 巧的关注越少，而对Ra关注越多。当P= 0时，表示用户A的直接好友中最大公知度是 唯一关注的因素，该算法退化成计算用户A的直接好友中最大公知度；当P=1时，表示A 与Ui的私密度是唯一关注的因素，该算法退化成计算A与U1的私密度。
[0074] S5、查找与A的关系权值最大的好友Uk,获取Uk的直接好友集合 F^ = {V"V"..
[00巧]S6、定义Uk的直接好友集合为A的私密度维度值为2的二度好友集合，计算 中每个二度好友与A的关系权值； 阳076] 对每一个Uk的直接好友，即A的二度好友Ke巧,,，根据公式似计算Vi与A的关 系权值W化:
[0077] W"',二戶十（1-p)巧,一〇0 "', C ) 阳07引式中^.IF,表示A与Vi的私密度，取值范围为[0, 1];而,表示Uk的直接好友中的最 大公知度，取值范围为[0,1];P表示在Wn;中所占的重要性比例，取值范围为[0,1]。 阳079] 0,1,表示A与Vi的好友私密度的维度，本步骤中由于Uk是A的直接好友，V^Uk 的直接好友，A与Vi的关系是通过Uk来进行传递的，因此称Vi为A的二度好友，即=2。
[0080] O表示用户对中间人的数目的关注程度，取值范围为（0,1)，O值越大，权值 的衰减越快。
[0081] S7、将所有与A的关系权值大于或等于M的二度好友加入FRa;
[0082] S8、对每一个新加入FRa的推荐好友Vi，获取其直接好友集合
[0083] S9、将好友的私密度维度值加1，计算步骤S8获得的每个A的N维度好友集合中的 每一个好友与A的关系权值；
[0084] 运里根据公式（3)计算步骤S8获得的每个A的N维度好友集合中的每一个好友 义，€巧^^与A的关系权值
[0085]听爆二键化;+A-碱:较Vj-棘鍛(3 ) 阳086] 式中表示A与Xi的私密度，取值范围为[0, 1] ; 表示Vj的直接好友中的最 大公知度，取值范围为[0，1] ;P表示在中所占的重要性比例，取值范围为[0，1]; 表示A与Xi的好友私密度的维度，每执行一次本步骤，巧的值加1 ;O表示用户对中 间人的数目的关注程度，取值范围为（0, 1)。
[0087] S10、将所有与A的关系权值大于或等于M的N维度好友加入FRa;
[0088] S11、判断好友私密度维度值是否等于6,若是则进入步骤S12,若否则返回步骤 S8 ；
[0089] 运里取私密度维度值上限为6是根据六度空间理论得出的结果。
[0090] S12、将推荐好友集合FRa推荐给好友请求者A。
[0091] 满足之前所述=个条件的合适的用户B即包含于推荐好友集合FRa中。
[0092] 本领域的普通技术人员将会意识到，运里所述的实施例是为了帮助读者理解本发 明的原理，应被理解为本发明的保护范围并不局限于运样的特别陈述和实施例。本领域的 普通技术人员可W根据本发明公开的运些技术启示做出各种不脱离本发明实质的其它各 种具体变形和组合，运些变形和组合仍然在本发明的保护范围内。
【主权项】
1. 一种基于私密度和公知度的社交网络关系推荐方法，其特征在于，包括以下步骤： 51、 获取好友请求者A的直接好友集合Fa={Ui，U2，…，UJ; 52、 初始化建立最终好友请求者A的推荐好友集合FRa; 53、 设置好友推荐阈值M; 54、 计算Fa中每个直接好友与A的关系权值； 55、 查找与A的关系权值最大的好友Uk，获取队的直接好友集合…，FJ; 56、 定义Uk的直接好友集合心4为A的私密度维度值为2的二度好友集合，计算G中 每个二度好友与A的关系权值； 57、 将所有与A的关系权值大于或等于M的二度好友加入FRa; 58、 对每一个新加入FRa的推荐好友Vj，获取其直接好友集合= (I1，I2，…，不}; 59、 将好友的私密度维度值加1，计算步骤S8获得的每个A的N维度好友集合中的每一 个好友与A的关系权值； 510、 将所有与A的关系权值大于或等于M的N维度好友加入FRa; 511、 判断好友私密度维度值是否等于6; 若是则进入步骤S12; 若否则返回步骤S8; 512、 将推荐好友集合FiytS给好友请求者A。2. 根据权利要求1所述的基于私密度和公知度的社交网络关系推荐方法，其特征在 于，所述推荐好友集合始化为空集。3. 根据权利要求1所述的基于私密度和公知度的社交网络关系推荐方法，其特征在 于，所述推荐好友集合HF4 =0。4. 根据权利要求1所述的基于私密度和公知度的社交网络关系推荐方法，其特征在 于，所述步骤S4具体为： 对每一个A的直接好友U1GFA，根据公式（1)计算1^与A的关系权值，t ,AU1 二 +卷_P)1) 式中7 ^表示A与1^的私密度，取值范围为[0，1] ;RA表示A的直接好友中的最大公 知度，取值范围为[〇，1] ;P表示在Pff/,中所占的重要性比例，取值范围为[〇，1]。5. 根据权利要求1所述的基于私密度和公知度的社交网络关系推荐方法，其特征在 于，所述步骤S6具体为： 定义队的直接好友集合为A的私密度维度值为2的二度好友集合，对每一个队的 直接好友，即A的二度好友Re6,,，根据公式（2)计算乂1与A的关系权值『ir,: WAr =pi碼+(i- -aD,u'、Q) 式中表示A与私密度，取值范围为[0，1] ; 表示Uk的直接好友中的最大 公知度，取值范围为[0，1] ;p表示中所占的重要性比例，取值范围为[〇，1]; 錢％表示六与V1的好友私密度的维度，本步骤中D4r =2; 0表示用户对中间人的数目的 关注程度，取值范围为（〇，1)。6.根据权利要求1所述的基于私密度和公知度的社交网络关系推荐方法，其特征在 于，所述步骤S9具体为： 将好友的私密度维度值加1，根据公式（3)计算步骤S8获得的每个A的N维度好友集 合中的每一个好友e与A的关系权值 Wa^ i―：piM{ + - p^RVj ^ oD：^ (多.） 式中表示A与私密度，取值范围为[0，1] ;A表示Vj的直接好友中的最大 公知度，取值范围为[〇，1] ;P表示在.^^中所占的重要性比例，取值范围为[〇，1]; 表示A与X1的好友私密度的维度，每执行一次本步骤，D^的值加1; 〇表示用户对中 间人的数目的关注程度，取值范围为（〇,1)。
【专利摘要】本发明公开了一种基于私密度和公知度的社交网络关系推荐方法，通过定义社交网络关系的私密度和公知度，分析、计算出人与人关系的度量，判断关系的亲密程度，并据此为用户智能推荐建立新的社交关系，有效地挖掘出了社交领域中潜在的人与人的关系，丰富了社交关系网络，提高了用户的社交网络黏合度，过程相对简单，效果较好。
【IPC分类】H04L12/58, G06F17/30
【公开号】CN105141499
【申请号】CN201510388830
【发明人】陈科, 唐雪飞, 陈安龙
【申请人】电子科技大学
【公开日】2015年12月9日
【申请日】2015年7月3日